論文の概要: SAT-Edge-Agent: Hardware-in-the-Loop Edge-Agent Orchestration for Onboard Satellite Intelligence
- arxiv url: http://arxiv.org/abs/2608.03728v1
- Date: Tue, 04 Aug 2026 14:25:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.239465
- Title: SAT-Edge-Agent: Hardware-in-the-Loop Edge-Agent Orchestration for Onboard Satellite Intelligence
- Title（参考訳）: SAT-Edge-Agent:搭載衛星インテリジェンスのためのハードウェア・イン・ザ・ループエッジ-Agentオーケストレーション
- Abstract要約: 本稿では,HIL(ハードウェア・イン・ザ・ループ)エッジエージェントシステムSAT-Edge-Agentについて述べる。
ブラウザワークスペースとFastAPIエージェントは、OpenAI互換言語サービスとプロジェクト内部のYOLOスタイルのオブジェクト指向検出エンドポイントを協調する。
2つの固定されたFAIR1Mワークロード、1つのシングルイメージと1つのシリアル2イメージ要求がそれぞれ20回繰り返され、20/20の試行が完了した。
平均フルエージェントレイテンシは29.353 sと60.937 sで、実証的なP95値である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Onboard satellite intelligence requires a task layer that translates mission intent into local tool calls, exposes execution state, and returns machine-consumable artifacts under communication and power constraints. We present SAT-Edge-Agent, a hardware-in-the-loop (HIL) edge-agent system deployed on a commercial off-the-shelf ARM-based heterogeneous edge system-on-chip. A browser workspace and FastAPI agent coordinate a local OpenAI-compatible language service with a project-internal YOLO-style oriented-object-detection endpoint that returns FAIR1M metadata-backed structured results. Two fixed FAIR1M workloads, one single-image and one serial two-image request, were repeated 20 times each and completed 20/20 attempts. Mean Full-Agent latency was 29.353 s and 60.937 s, with empirical P95 values of 31.166 s and 66.882 s. Mean detector time was 861.386 ms and 1510.920 ms, only 2.93% and 2.48% of the corresponding Full-Agent means. Profiling indicates that most visible latency occurs outside detector execution. Mean CPU utilization was 20.761% and 20.482%. A 200-ms NPU-load field averaged 100% for both workloads, but it represents a shared-accelerator software field rather than detector-only occupancy or calibrated utilization. The public evidence package provides sanitized request-level records, redacted JSON, normalized SSE examples, and scripts reproducing the reported statistics. These results establish a reproducible HIL boundary for observable satellite edge-agent orchestration, but do not establish detector accuracy, a new geolocation method, calibrated energy efficiency, or flight readiness.
- Abstract（参考訳）: オンボード衛星インテリジェンスでは、ミッション意図をローカルツールコールに変換し、実行状態を公開し、通信と電力制約の下でマシンで消費可能なアーティファクトを返すタスク層が必要である。
本稿では,HIL(ハードウェア・イン・ザ・ループ)エッジエージェントシステムSAT-Edge-Agentについて述べる。
ブラウザワークスペースとFastAPIエージェントは、ローカルOpenAI互換の言語サービスとプロジェクト内部のYOLOスタイルのオブジェクト指向オブジェクト検出エンドポイントを調整し、FAIR1Mメタデータをベースとした構造化結果を返す。
2つの固定されたFAIR1Mワークロード、1つのシングルイメージと1つのシリアル2イメージ要求がそれぞれ20回繰り返され、20/20の試行が完了した。
平均フルアジェントレイテンシは29.353 sと60.937 sで、実証的なP95値は31.166 sと66.882 sであった。
平均検出時間は851.386 msと1510.920 msで、対応するフルアジェント平均の2.93%と2.48%しかなかった。
プロファイリングは、ほとんどの可視遅延が検出器の実行外で発生することを示している。
CPU利用率は20.761%と20.482%であった。
200msのNPU負荷場は、両方のワークロードで平均100%だが、検出器のみの占有率やキャリブレーションの使用率よりも、共有加速器のソフトウェア分野を表している。
公開エビデンスパッケージは、サニタイズされた要求レベルのレコード、JSONの再実行、正規化されたSSE例、報告された統計を再現するスクリプトを提供する。
これらの結果は、観測可能な衛星エッジエージェントオーケストレーションのための再現可能なHIL境界を確立するが、検出精度、新しい位置決め方法、キャリブレーションされたエネルギー効率、飛行の準備ができていない。
関連論文リスト
- VeriTrace: Human-Like Temporal Exploration Completes Agentic Action Space [4.069939236366667]
大規模な言語モデルでは、Verilog RTLの自動生成が約束されているが、標準ベンチマークでは95%の精度で最先端のマルチエージェントシステムプラトーが実現されている。
We present VeriTrace, a multi-agent system that Inspector agent operate on a complete debugging action space。
VeriTrace は VerilogEval-V2 上で100% Pass@1 を達成する。
論文 参考訳（メタデータ） (2026-08-03T21:00:58Z) - Deterministic Replay for AI Agent Systems [0.0]
大規模な言語モデルを外部ツールやAPIと組み合わせるAIエージェントシステムは本質的に非決定論的である。
既存の可観測性プラットフォームは実行ログをキャプチャするが、独立して実行を再現することはできない。
エージェント実行の決定論的リプレイのための開発者ファーストのCLIフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-30T12:00:45Z) - Bridging the Perception Gap: A Lightweight Coarse-to-Fine Architecture for Edge Audio Systems [10.143590597259792]
CoFi-Agentはエッジサーバとゲートウェイをターゲットにしたハイブリッドアーキテクチャである。
高速な局所認識を行い、不確実性が検出された場合にのみ条件付き法医学的洗練をトリガーする。
MMARのベンチマークでは、CoFi-Agentは精度を27.20%から53.60%に改善し、常にオンのパイプラインよりも精度と効率のトレードオフを実現している。
論文 参考訳（メタデータ） (2026-01-22T05:57:25Z) - RSAgent: Learning to Reason and Act for Text-Guided Segmentation via Multi-Turn Tool Invocations [52.752467948588816]
エージェント型マルチモーダル大規模言語モデル(MLLM)であるRSAgentを提案する。
RSAgentはセグメンテーション・ツールボックスをクエリし、視覚的フィードバックを観察し、歴史的観測を用いて空間仮説を改訂し、ターゲットを再ローカライズし、反復的にマスクを洗練させる。
RSAgentはReasonSegテストで66.5% gIoUのゼロショット性能を達成し、Seg-Zero-7Bを9%改善し、RefCOCOgで81.5% cIoUに達した。
論文 参考訳（メタデータ） (2025-12-30T06:50:11Z) - DetectAnyLLM: Towards Generalizable and Robust Detection of Machine-Generated Text Across Domains and Models [60.713908578319256]
タスク指向の知識で検出器を最適化するために,DDL(Direct Discrepancy Learning)を提案する。
そこで本研究では,最新のMGTD性能を実現する統合検出フレームワークであるTectAnyLLMを紹介する。
MIRAGEは5つのテキストドメインにまたがる10のコーパスから人書きテキストをサンプリングし、17個の最先端のLLMを使用して再生成または修正する。
論文 参考訳（メタデータ） (2025-09-15T10:59:57Z) - Scalable Multi-agent Covering Option Discovery based on Kronecker Graphs [49.71319907864573]
本稿では,分解が容易なマルチエージェントスキル発見法を提案する。
我々のキーとなる考え方は、合同状態空間をクロネッカーグラフとして近似することであり、そのフィドラーベクトルを直接見積もることができる。
ラプラシアンスペクトルを直接計算することは、無限大の状態空間を持つタスクには難易度が高いことを考慮し、さらに本手法の深層学習拡張を提案する。
論文 参考訳（メタデータ） (2023-07-21T14:53:12Z) - Tech Report: One-stage Lightweight Object Detectors [0.38073142980733]
この研究は、mAPと遅延の点でよく機能するワンステージ軽量検出器を設計するためのものである。
GPUとCPUを対象とするベースラインモデルでは、ベースラインモデルのバックボーンネットワークにおけるメイン操作の代わりに、さまざまな操作が適用される。
論文 参考訳（メタデータ） (2022-10-31T09:02:37Z) - MAPLE-Edge: A Runtime Latency Predictor for Edge Devices [80.01591186546793]
汎用ハードウェアの最先端遅延予測器であるMAPLEのエッジデバイス指向拡張であるMAPLE-Edgeを提案する。
MAPLEと比較して、MAPLE-Edgeはより小さなCPUパフォーマンスカウンタを使用して、ランタイムとターゲットデバイスプラットフォームを記述することができる。
また、共通ランタイムを共有するデバイスプール上でトレーニングを行うMAPLEとは異なり、MAPLE-Edgeは実行時に効果的に一般化できることを示す。
論文 参考訳（メタデータ） (2022-04-27T14:00:48Z) - Oriented R-CNN for Object Detection [61.78746189807462]
本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。
第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。
第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
論文 参考訳（メタデータ） (2021-08-12T12:47:43Z) - StrObe: Streaming Object Detection from LiDAR Packets [73.27333924964306]
ローリングシャッターのLiDARはパケットのストリームとして出力され、それぞれ360degのカバレッジのセクターをカバーする。
現代の認識アルゴリズムは、データを処理する前に全スイープが構築されるのを待つ。
本稿では,LiDARパケットを取り込み,全スイープが構築されるのを待たずに検出ストリームを出力することで,レイテンシを最小化する新しいアプローチであるStrObeを提案する。
論文 参考訳（メタデータ） (2020-11-12T14:57:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。